让多模态大模型学会按需调用视觉工具，既不过度也不漏用，真正提升能力。

三阶段框架让VLM先调用专业视觉工具，再把工具能力内化为无工具推理。

把在线自蒸馏视为β=1的KL正则化策略优化特例，借logit插值与回报到当前信贷分配改进推理

用统一策略在行动前依据当前状态重构检索经验，GRPO 端到端训练

构建深度可演化合成环境与协同进化循环，让9B计算机使用智能体逼近前沿模型

用反事实回放为GRPO分配令牌级信用，无需训练评分器即可提升指令跟随RL效果

把游戏求解器的状态价值变化转成逐回合信用信号，注入 RLVR 实现无需 logits 的策略蒸馏

单一策略在任务序列中边解题边整理技能文档，实现端到端的可迁移技能学习。

统一在线蒸馏框架修复三大失效模式，0.5B学生达GSM8K 69.8%

让RL真正学会写更快的正确代码：从测试、沙箱、奖励到GRPO全链路改造。

系统诊断小模型PPO对齐的三大失效模式，提出工程化稳定框架与能力余量假说

统一框架梳理机器人学习进度奖励模型：接口、构造机制、数据与评测

用结构化JSON协议蒸馏专有模型推理能力，提升开源模型智能体搜索

把试穿重新定义成多参考理解驱动生成，靠数据引擎+CPT-SFT-RL达到任意品类SOTA

用可控环境系统揭示长程规划能力在预训练、GRPO/OPD、多教师蒸馏三阶段的获取、塑造与整合规律。

用逐字引用+检索替代坐标框，让VLM证据归因召回率提升数倍

用协同进化的技能库协调出题与解题双方自博弈，破解LLM自进化的多样性与验证困境。

AREX用内外双循环递归地自我改进，靠验证驱动的研究状态刷新深度搜索水平。

把智能体交互经验蒸馏进权重，无需额外环境采样即可保留大部分上下文学习增益。

复用教师轨迹做离线多轮 agent 蒸馏,零工具调用、4倍加速且不掉点。